[发明专利]一种word文档的提取和分析方法

说明书

技术领域

本发明涉及文档处理领域，更具体地说，涉及一种word文档的提取和分析方法。

背景技术

在如今的电子信息化高度发达的时代，对于信息的提取和分析有着强烈需求的时代，显得word文档的智能分析尤为重要。无论是大项目还是小功能，都需要一定的文档沟通，而更多的智能化系统中，就需要不断的提取和分析这样的文档。在这样的需求前提下，也出现了许多类似的文档处理工具，无论是成熟的项目工具还是类库工具，都出现不少，如：

JACOB：这是一个类库型的工具，提供了一种和office进行交互的类库。这个类库提供的功能也相当的庞大，基本上能满足简单的word、excel操作，但要重塑成一个有结构，有模型化的数据结构，就相对比较复杂。而且需要一个jacob.dll的支持，因此和系统的耦合度也比较大。

POI：这是一个类库型的工具，是一个纯JAVA实现的操作类，提供了简单的word内容提取。可支持的方法相对比较少，往往很难满足需求。

JCOM：类似JACOB的一个工具，但需要依赖windows平台，这样又违背了JAVA这个平台无关的特性，多多少少有点不合适。而且在功能满足上，也基本上同JACOB，在使用上，需要安装PDF打印机。

当然还有其他一些实现word内容提取的方式，如com4j、j—Interop等，当这些工具并不是专门提供word处理的，可以通过com和Office交互达到效果，使用比较麻烦。

对于以上这些工具，都基本上能够简单的提取内容，但在现在这样的信息需求量大，信息内容要求精确和智能的时代中，只是简单提取内容，并不能实现智能转化和分析，已经越来越不能满足要求，也没办法推进更进一步的信息化。

发明内容

本发明是鉴于上述技术问题而产生的。本发明的一个目的是提出一种word文档的提取和分析方法。

在一个方面中，根据本发明的word文档的提取和分析方法包括：

步骤A：按照“paragraph”片段逐段读入，并判断当前段是内容段还是等级段;步骤B：如果判断出当前段是内容段，则将该内容段加入到上一等级段的内容队列中，并且转到步骤G;否则步骤C：判断当前段的等级值是小于、等于、还是大于上一段的等级值;步骤D：如果判断出当前段的等级值等于上一段的等级值，则当前段是与上一段同等级的段，并且将该当前段加入到上一段所在的队列中，并转到步骤G；步骤E：如果判断出当前段的等级值大于上一段的等级值，则当前段为上一段的儿子段，并且将该当前段加入到上一段的儿子队列中，并转到步骤G;步骤F：如果判断出当前段的等级值小于上一段的等级值，则进一步判断当前段的等级值是否等于上一段的父亲段的等级值，若仍小于，则依次回溯到更上一级父亲段，直到查找到与当前段的等级值相等的段，并将当前段加入到查找到的段所在的队列中；步骤G：判断当前段是否是最后一段，若不是则转入步骤A，否则该处理结束。

在这个方面中，其中在步骤A中：每个段具有相应的大纲等级属性，根据大纲等级的属性关联，判断出所述数据片段是等级段还是内容段。

在这个方面中，其中在步骤C中：若当前段是第一段，则初始化上一段的等级值为第一段的等级值。

在这个方面中，其中在步骤D中：若当前段是第一段(T1)，则直接加入到根队列中。

附图说明

结合随后的附图，从下面的详细说明中可显而易见的得出本发明的上述及其他目的、特征及优点。在附图中：

图1示出了根据本发明的word文档提取和分析方法的流程图；

图2示出了word文档中的每个段的大纲等级属性的示意图。

具体实施方式

为了更全面地理解本发明及其优点，下面结合附图及具体实施例对本发明做进一步详细地说明。

首先，参考图1，对根据本发明的一种word文档的提取和分析方法进行详细地说明。

如图1所示，根据本发明的word文档的提取和分析方法包括步骤：

步骤A：按照“paragraph”片段逐段读入，并判断当前段是内容段还是等级段;

具体地说，按照“paragraph”片段逐段读入，并读取读入的当前段的大纲等级(outlineLevel)。

如图2所示，word文档中的每个段具有相应的大纲等级属性。此后，根据大纲等级的属性关联，判断出所述数据片段是等级段还是内容段。